在三甲医院，临床医生们的科研风向正在发生变化。
过去很长一段时间，顶尖医生的研究主线围绕新药机制、手术方式改良、器械创新和前瞻性临床试验展开。但近两年，他们中的绝大部分开始把目光转向另一条路径——围绕真实世界数据、人工智能模型和医疗智能体开展研究。
“现在我们科室里，大概三分之一的科研项目都和数据、AI有关。”浙江省肿瘤医院胃外科医生胡灿告诉《健闻咨询》，在各类省市级课题申报中，“AI+医疗”、“数据驱动研究”也逐渐从加分项变成“标配”。
今年6月，他以第一作者身份编写的研究论文在国际医学顶级期刊《Nature Medicine》上发表，文章标题是“人工智能技术协助平扫CT发现早期胃癌”。
相关数据显示，2015年-2023年，中国机构研究人员发表的医疗AI论文数量的年均增长率为21%，而美国还不到10%。在2022年和2023年，中国每年发表的医学AI相关论文数量都超过美国。
从“卷药械论文”到“卷数据模型”，临床科研的底层逻辑，正在悄然迁移。越来越多科研项目被压缩进一块块屏幕——历史病历、影像数据、随访记录、算法模型，正在成为新的研究热点。
而作为这些医疗数据的掌控者，医院对医疗数据的态度也在发生微妙变化：一方面主动建设数据中心、智能体平台，希望把数据转化为科研能力和学科竞争力；另一方面，又不得不在数据安全、患者隐私、合规风险之间反复权衡。
这场看似由技术推动的学术转型，背后实则牵动着医生、医院与制度的多重博弈。
头部梯队的科研焦虑
在上海市的一家头部三甲医院，泌尿外科副主任李明（化名）对这种转变的感受尤为深切。
“现在无论做什么课题，几乎都离不开数据了。”他告诉《健闻咨询》，不只是回顾性研究、真实世界研究高度依赖数据，就连越来越多的基础与临床结合的项目，也必须以结构化数据为起点。
变化并不仅仅体现在“用数据”，就连数据本身也开始成为医生的研究对象。
长期参与多家三甲医院医疗智能体建设的库量智医技术副总王子阳观察到，近两年，越来越多科室主任会带着自己的团队搭建个性化的专病数据库，从数据采集标准、清洗规则、结局指标设计，到模型构建与验证，形成一套完整的科研闭环，“用自己定义的数据结构去发文章、做模型，这在过去是很少见的。”
这背后有着清晰的政策指向。近年来，“人工智能+医疗”、“医疗大数据应用”、“可信数据空间”等被陆续写入国家与地方层面的政策文件。在不少科研专项中，AI甚至成为立项的必要条件。临床科研，正在被系统性地拉向数据一侧。
为什么越来越多医生愿意转向医疗数据科研？
一方面，是临床实践的真实需求。复杂疾病、慢病管理、术后随访、长期结局评估，本身就高度依赖大规模连续数据；另一方面，也源自当下这股难以回避的技术浪潮。
“现在智能体这么火，我也想做一个，不做怕掉队。”这是王子阳近两年听到最多的一句话，在科研评价压力本就极大的三甲医院，这种焦虑尤为明显，“如果还按照十几年前的老路径做研究，新方向一出现，你不跟，很容易被认为‘不够前沿’”。
与传统科研路径相比，数据与AI驱动的科研项目，在节奏和形态上都发生了明显变化。
首先是科研门槛显著降低。过去一个完整的临床研究，往往需要依赖资深专家的资源和患者数量，从立项、入组、随访到发表，基本要花三到五年时间；而基于历史数据的建模研究，半年到一年就可能形成阶段性成果。这对于资历尚浅的年轻医生来说，是一个更为友好的起点。
“哪怕是刚规培结束的医生，只要能基于临床痛点提出数据化假设，就有机会推动一个模型从验证到落地。”李明告诉《健闻咨询》，数据科研不完全看资历，更看重的是理解问题和描述问题的能力。
其次是成果形态的变化。科研不再只以论文作为唯一产出，还伴随着更多具象的成果，例如一个可运行的智能体系统、一套可复用的数据库、一个预测模型或临床辅助工具，“它是可视化交付的，你能清楚看到你的数据库里到底覆盖了多少患者、什么结构、哪些变量。”王子阳说。
更重要的是，和数据产生联结后，科研就不再是医生关起门来的“单兵作战”，而必须和外部机构紧密协同。
“数据研究往往需要临床医生、算法工程师、数据治理团队的联合参与，并且是很高频的打配合。”李明告诉《健闻咨询》，纯数据研究门槛很高，临床医生可以主导项目，但必须和统计、AI工程师等角色深度合作，这是过去不曾有过的现象。
被牵动的内部转型
过去，医疗数据更多只是“躺”在信息系统里的沉默资产；如今，它开始被当作支撑科研、效率与产业转化的关键生产要素。
近年来，越来越多医院开始成立数据中心，系统性推进数字化医疗与AI研究，上海市第一人民医院、浙江省肿瘤医院、上海儿童医学中心、北京友谊医院等都在此领域积极布局。
据胡灿介绍，他所在的浙江省肿瘤医院自2020年起建设“人工智能专病数据库”，以胃癌为切入点，形成覆盖近20年病例的智能检索平台。医生只需要输入筛选条件，系统即可自动调取符合要求的患者数据。
“我们前期对底层数据进行了非常详细的清洗和治理，提取数据才变得很容易，这也为我们后续开发的AI辅助诊断模型提供了非常好的数据基础。”胡灿表示。
随着AI模型逐渐成熟，数据的价值不断被放大，信息科也从传统的“后台支持部门”，走向医院数字化转型的核心枢纽。
北京某三甲医院临床医生张宇（化名）感受到的直接变化是，医生以前做课题主要是和科技处、伦理办打交道，现在则越来越离不开信息科和数据中心的配合，数据的存储、脱敏、导出等流程，都必须经过信息部门。
“从科研视角，我们希望它是响应式支持角色，但数据安全的红线决定了流程必然存在，有时沟通成本也会随之上升。”如何提高课题推进中的跨部门交流效率，也是医院管理中需要面对的问题。
信息科并非只是数据的“守门人”，越来越多的医院开始由信息科牵头AI工具研发。仁济医院与蚂蚁集团共建的泌尿专科智能体，正是由信息中心深度参与算法设计与系统落地，目前已在门诊高频使用。
不同医院的组织路径也不尽相同：上海儿童医学中心将大数据中心设在临床研究管理体系内，与信息科形成相对分工；北京友谊医院则在今年专门成立“医学数智创新中心”，以推动院内AI课题与多学科合作，并明确“临床主导、数据与算法辅助”的协作模式。
放不下的大厂依赖
在医院信息主管部门之外，真正让医疗数据“流动”起来并产生科研价值的，是诸如阿里巴巴、京东健康、科大讯飞这样在医疗AI上布下重兵的互联网大厂。
借助这些企业的技术实力，与其共建专病数据库，训练AI模型，形成共同知识产权，已经成为各家医院快速达成科研目标最为主流的路径选择。
今年6月，浙江省肿瘤医院联合阿里巴巴达摩院发布全球首个基于平扫CT的胃癌影像筛查模型DAMOGRAPE，并已在10省15家医疗中心开展前瞻性临床试验。
在这类合作中，院企分工逐渐形成标准模式：临床医生负责数据标注、病灶勾画和课题设计，算法由工程师完成，模型评价、前瞻性验证和推广，必须由临床团队深度参与。
胡灿透露，医院同时与阿里、华为、深睿等多家企业开展合作，但核心原则始终未变——数据留在医院，由信息科统一对接治理。由于不同年代、不同医生的病历标准差异巨大，临床团队必须反复与工程师校正字段含义，才能完成真正可用的数据结构化。
如果说数据库和模型仍主要服务于科研与临床效率，那么数据资产化则意味着数据第一次被正式纳入“可交易”的商业体系。但这一步，也同时放大了制度与伦理的风险。
2024年，上海儿童医学中心其将儿科临床数据产品在上海数据交易所挂牌，成为国内首批进入交易市场的儿科医疗数据，并最终被一家药企购买后用于药物研发迭代。
今年11月，由河南许昌市中心医院提供原始数据资源的医疗数据产品《炎症与牙髓炎的关联与研究大数据分析报告》，在上海数据交易所完成挂牌交易，这也是国内首款医企医疗数据产品。
尽管上有政策推动，下有交易促成，但业内对医疗数据资产化的态度并不完全乐观。有相关业内人士指出，医疗数据涉及大量患者病例病例，在定价、确权、隐私边界等方面仍存在争议。
“如果数据定价偏低，是否构成国有资产流失？如果偏高，又是否存在虚高估值？一旦进入审计环节，风险最终由谁承担？”这位业内人士直言，即便打通数据确权与交易流程并实现变现，医疗机构也可能会面临数据合规的挑战。
但一个无可争议的事实是，无论是数据库、模型，还是数据资产化，医疗数据的角色已悄然发生变化。它不再只是服务于某一个课题、某一项研究的技术工具，而正在向支撑医疗体系运行的“新底座”演进。
对医院而言，数据能力正重塑科研范式、诊疗流程和管理结构；对企业而言，医疗数据已成为AI医疗能否真正落地的核心资源；而对监管者来说，数据的安全、确权与流通，是继医保、药械之后，又一条必须谨慎划定的制度边界。
数据黄金时代已然开启，但如何“掘金而不翻船”，仍将是一道长期未解的社会命题。
举报 文章作者
健闻咨询
相关阅读
报告：全球超半数科研人员科研时间遭行政事务等严重侵蚀全球已有58%的科研人员在科研中使用AI工具
154 12-08 17:56
国家卫健委：基层医生四年增加54万县域医共体配备的药品品种数普遍达到了800~1200种。
8 663 11-27 17:36
科研突破只需几小时？美国的AI“创世使命”还面临三道门槛“钱从哪儿来”始终是计划推进的核心问题。
204 11-25 22:02
自然指数：十强科研城市中中国首次占据一半以上自然指数：十强科研城市中中国首次占据一半以上
62 11-16 15:20
资金“寒冬”下哈佛博士招生名额腰斩，还有更多美国院校减招博士生未来两年内将理科院系的博士生招生名额削减75%以上，艺术与人文学院的博士生招生名额削减约60%。
154 10-26 13:43 一财最热 点击关闭红腾网配资提示：文章来自网络，不代表本站观点。
